# Foundries và Navigators: Hai chiến lược tối ưu chi phí trong nghiên cứu khoa học - Nguồn: Latent Space - Thời gian phát hành: 2026-09-24 22:03 (giờ Việt Nam) - Điểm AI: 65/100 - Link AIHOT.vn: https://aihot.vn/items/0f6732c1f1a8916c - Nguồn dữ liệu AI HOT: https://aihot.news/items/cmufq0ii003ztroxzxdlfaftf - Link gốc: https://www.latent.space/p/foundries-vs-navigators-lowering ## Tóm tắt AI CEO Adrian Sanborn của Endura Therapeutics phân tích hai hướng đi cho các công ty công nghệ sinh học: xây dựng 'Foundries' để tăng tốc thực nghiệm bằng AI, hoặc dùng 'Navigators' để tích hợp LLM vào quy trình ra quyết định. ## Thân bài ![Foundries vs Navigators: Lowering the Cost of Science](https://substackcdn.com/image/fetch/$s_!-Em5!,w_1200,h_675,c_fill,f_jpg,q_auto:good,fl_progressive:steep,g_auto/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2Fc4f2dad0-1897-4b86-aa39-f4772f76e474_1591x828.png) Tương lai của khoa học trong thế giới AI sẽ trông như thế nào? Anthropic đang có những [mục tiêu cao cả cho khoa học](https://www.nytimes.com/2026/09/17/technology/dario-amodei-anthropic-essays-ai.html) và thậm chí đang [mở một phòng thí nghiệm ướt (wet lab)](https://techcrunch.com/2026/09/18/anthropic-is-operating-a-lab-that-conducts-biology-experiments/). Trong khi đó, một [cuộc chuyển đổi thầm lặng](https://ai.google/static/documents/AI-in-Science.pdf) đang diễn ra trên khắp lĩnh vực AI x Science. Trong bài viết khách mời này, [Adrian Sanborn](https://x.com/AdrianSanborn) chia sẻ về những cách thức ít hào nhoáng hơn nhưng mang tính tức thời hơn mà ông thấy AI đang chuyển đổi nghiên cứu khoa học tuyến đầu tại công ty của mình, Endura Therapeutics. Adrian từng lấy bằng Tiến sĩ Khoa học Máy tính tại Stanford và dành phần lớn thời gian đó để thực hiện các thí nghiệm tại bàn làm việc, điều này khiến ông trở thành một trong số ít những người có thể cho bạn biết LLM đang tác động thế nào đến cơ sở mã nguồn và một phòng thí nghiệm ướt. Chúc bạn đọc vui vẻ! Các mô hình ngôn ngữ đã thay đổi cách phần mềm được xây dựng. Việc viết mã, xử lý dữ liệu và kiến trúc hệ thống hiện nay diễn ra với tốc độ không tưởng so với ba năm trước. Khi sản phẩm là phần mềm và kết quả có thể kiểm chứng được, việc viết mã rẻ hơn sẽ trực tiếp dẫn đến nhiều phần mềm hơn và nhiều nhà phát triển hơn. Nhưng trong khoa học, mọi thứ cuối cùng đều bị giới hạn bởi các thí nghiệm vật lý vốn mất nhiều ngày hoặc nhiều tuần để xác minh. Công việc trí tuệ xoay quanh thí nghiệm đã trở nên nhanh hơn đáng kể trong khi AI hầu như không đóng góp gì cho năng suất của chính thí nghiệm đó. Tư duy đã trở nên rẻ hơn nhưng thực thi thì không. Chúng tôi cho rằng ngành công nghệ sinh học đã thích nghi theo hai cách: ![](https://substackcdn.com/image/fetch/$s_!-Em5!,w_1456,c_limit,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2Fc4f2dad0-1897-4b86-aa39-f4772f76e474_1591x828.png) - Các xưởng đúc (Foundries) cắt giảm chi phí thực thi. Họ công nghiệp hóa việc đo lường, sử dụng công nghệ mới để tạo ra dữ liệu nhanh hơn gấp nhiều lần so với trước đây. Xaira, NewLimit, Octant, Tahoe và Endura đạt được điều này nhờ giải trình tự thế hệ mới và kỹ thuật ghép kênh (multiplexing); Insitro, Eikon và Noetik nhờ kính hiển vi thông lượng cao; Lila và Periodic Labs nhờ tự động hóa vật lý, chỉ là một vài ví dụ. AI giúp dữ liệu đó trở nên dễ đọc và có tính dự báo, nhưng tài sản tạo nên sự khác biệt chính là dữ liệu thực nghiệm. - Các nhà điều hướng (Navigators) tận dụng sự dư thừa của tư duy. Các mô hình AI nằm trong bộ máy vận hành thông thường của công ty, thúc đẩy các quyết định tốt hơn và quy trình nhanh hơn. Chúng ngày càng chi phối cách công việc được thực hiện, các công cụ nào được xây dựng và những câu hỏi nào xứng đáng để thực hiện thí nghiệm. Một mô hình độc quyền hay một tập dữ liệu khổng lồ là không cần thiết, chỉ cần sự sẵn sàng thay đổi cách thức vận hành của công ty. Xây dựng một xưởng đúc là một cam kết chiến lược thực sự, đòi hỏi vốn, thời gian nhiều năm và sự đặt cược vào một công nghệ cụ thể. Các xưởng đúc rất dễ nhận thấy: công nghệ thu hút trí tưởng tượng, sự kết nối với AI là tức thời và luôn có một mô hình hoặc tập dữ liệu mới để công bố. Ngược lại, các nhà điều hướng lại vô hình vì những lợi ích mang tính vận hành và không ai đưa ra thông cáo báo chí về một hướng đi mà họ đã quyết định từ bỏ. Nhưng điều hướng là khả năng mà mọi công ty đều có thể tiếp cận. Sự thay đổi nổi bật đang diễn ra tại vài chục công ty, trong khi sự thay đổi không dễ thấy lại đang diễn ra ở tất cả các công ty. Điều hướng diễn ra nhanh nhất tại các startup giai đoạn đầu, nơi không có di sản nào để loại bỏ: không có lịch sử về các hợp đồng phần mềm, quy trình tiêu chuẩn hóa, cấu trúc tổ chức cứng nhắc hay chế độ tuân thủ. Họ cũng chịu áp lực phải di chuyển nhanh với nguồn lực rất hạn hẹp. Khi một cách làm việc tốt hơn xuất hiện, nó đơn giản trở thành tiêu chuẩn mới. Tác động xuất hiện ở khắp mọi nơi. Các thí nghiệm lặp lại nhanh hơn khi việc phân tích chỉ mất một giờ thay vì một tuần. Một loại phần mềm vốn phải tốn chi phí cấp phép lên tới sáu con số nay trở thành sản phẩm xây dựng trong một ngày. Các chương trình nghiên cứu bệnh được chọn lọc từ 500 ứng viên thay vì chỉ năm ứng viên như thông thường. Đây là những gì diễn ra từ bên trong. Có một sự căng thẳng mang tính cấu trúc trong khoa học thực nghiệm mà kỹ thuật phần mềm không có điểm tương đương thực sự. Trong kỹ thuật, các yêu cầu thay đổi mỗi vài tuần là triệu chứng của việc lập kế hoạch kém. Trong nghiên cứu, đó lại là mục tiêu. Mục đích của một thí nghiệm là để học hỏi điều gì đó, và sự học hỏi đó thay đổi nội dung của thí nghiệm tiếp theo. Nếu một phương pháp không thay đổi trong sáu tháng, điều đó có nghĩa là không có gì được khám phá. Giao thức của một thí nghiệm mới sẽ thay đổi hàng chục lần trong năm đầu tiên, và mỗi thay đổi đó đều lan truyền vào quá trình phân tích. Mỗi phép đo phải được xử lý, chuẩn hóa và diễn giải bằng mã nguồn bám sát thí nghiệm. Trước đây, quá trình phân tích này được thực hiện bởi một người thứ hai, tạo ra sự tách biệt giữa người hiểu thí nghiệm đang đo lường điều gì và người hiểu mã nguồn đang thực hiện điều gì. Từ sự ma sát này nảy sinh xu hướng đề xuất ít thay đổi thực nghiệm hơn để tránh phải làm lại phân tích, dẫn đến việc các lựa chọn khác bị bỏ ngỏ. Giờ đây, khi việc viết mã đã nhanh chóng, việc điều chỉnh phân tích cho một giao thức đã sửa đổi chỉ là công việc của một buổi chiều thay vì cả một dự án. Thí nghiệm không còn bị ràng buộc bởi gánh nặng thay đổi quy trình phân tích. Các thí nghiệm có thể linh hoạt khi sự thay đổi ít tốn kém và các vấn đề có thể dễ dàng khắc phục; nói cách khác, khoa học có thể "di chuyển nhanh và phá vỡ các giới hạn". Sự thay đổi tương tự cũng áp dụng ở cấp độ cao hơn, đó là diễn giải. Một bảng điều khiển trực quan tương tác giờ đây có thể được xây dựng trong vài phút, thay vì vài ngày. ![](https://substackcdn.com/image/fetch/$s_!fXvB!,w_1456,c_limit,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2Fd6882dd6-1780-46dd-87e0-5c5bc7cb257f_2048x1863.png) Hệ quả dễ thấy nhất là khả năng tiếp cận. Trước đây, khi mọi thí nghiệm đều được phân tích bởi người làm tính toán, kết quả phải chờ trong hàng đợi. Giờ đây, chính nhà khoa học thực hiện thí nghiệm và nắm rõ bối cảnh sẽ trình bày kết quả của họ. Dữ liệu không còn bị kiểm soát bởi các Python notebook của người khác. Mọi giao diện phần mềm đều mang một quan điểm. Một hệ thống dữ liệu quyết định những so sánh nào chỉ cần một cú nhấp chuột và những so sánh nào đòi hỏi phải tìm kiếm. Mọi phòng thí nghiệm đều cần nơi để lưu trữ và hiển thị dữ liệu, và quan điểm được nhúng trong hệ thống đó cuối cùng sẽ định hình những gì phòng thí nghiệm đó chú ý tới. Trong hai thập kỷ, quan điểm đó được hình thành bởi người khác: một số ít nhà cung cấp xây dựng phần mềm phòng thí nghiệm đóng vai trò là hệ thống ghi chép. Những nhà cung cấp này xây dựng một hệ thống cho hàng ngàn phòng thí nghiệm và tất yếu thiết kế theo mẫu số chung thấp nhất. Mọi người chấp nhận sự xấp xỉ đó vì việc tự phát triển hệ thống riêng tốn nhiều công sức hơn mức bất kỳ phòng thí nghiệm nào có thể biện minh. Điều này không còn đúng nữa. Một cổng dữ liệu được xây dựng nội bộ có thể đáp ứng những đặc thù của dữ liệu mà không sản phẩm thương mại nào lường trước được, và có độ phức tạp vừa đúng với nhu cầu của nhóm, phát triển cùng với các câu hỏi của họ. Việc duyệt và khám phá dữ liệu trở nên đơn giản và dễ dàng, điều này làm thay đổi hành vi. Hãy thử nghĩ xem, nếu việc xem bài đăng tiếp theo đòi hỏi phải chuyển tab và sao chép-dán, liệu có ai dành nhiều thời gian cho mạng xã hội không? Các mô hình vốn nằm trong các slide thuyết trình riêng biệt bắt đầu lộ diện. Việc triển khai chỉ mất một ngày, nhưng quyết định xem cổng thông tin nên làm gì có thể mất hàng tuần. Những thảo luận về thiết kế đó hóa ra lại rất quan trọng, vì việc quyết định những gì cần hiển thị trên một màn hình buộc cả nhóm phải làm rõ những so sánh nào thực sự thúc đẩy các quyết định của họ. Khi bạn mua một nền tảng phần mềm, bạn không chỉ thuê ngoài về kỹ thuật mà còn thuê ngoài cả câu hỏi về cách bạn đạt được mục tiêu của mình. Có những sự đánh đổi: một cổng thông tin nội bộ sẽ kém chỉn chu hơn và không có đội ngũ hỗ trợ để liên hệ. Các tổ chức lớn hơn, với nhiều tầng yêu cầu xác thực và nghĩa vụ hợp đồng, vẫn sẽ gặp khó khăn khi đi theo hướng này. Nhưng các công ty phần mềm từ lâu đã hiểu rằng những công cụ nội bộ tốt nhất đến từ chính các kỹ sư làm việc sát cánh cùng người sử dụng chúng. Giờ đây, mọi nhóm nghiên cứu đều có thể tự trở thành kỹ sư triển khai trực tiếp cho chính mình. Quy tắc cũ là “đừng bao giờ xây dựng những gì bạn có thể mua”. Quy tắc mới là hãy xây dựng những công cụ định hình cách bạn tư duy. Lựa chọn theo đuổi căn bệnh nào là quyết định quan trọng nhất mà một công ty dược phẩm đưa ra. Mọi thứ đều nằm ở hạ nguồn của quyết định này và được xây dựng để phù hợp với các đặc thù về sinh học của bệnh và thị trường của nó. Lựa chọn này gần như không thể đảo ngược, với một chương trình thành công duy nhất đòi hỏi khoảng một thập kỷ và một tỷ đô la, vì vậy quyết định này được thẩm định rất kỹ lưỡng. Một quy trình điển hình sẽ tập hợp một nhóm các chuyên gia nội bộ và bên ngoài để thu thập, tổng hợp và tranh luận về các bằng chứng khoa học và thị trường trong một tháng hoặc hơn. Quy trình đó giả định rằng bạn đã biết mình đang tranh luận về năm căn bệnh nào. Chúng tôi không có danh sách rút gọn này tại công ty của mình, Endura, vì cơ chế độc đáo của các loại thuốc mà chúng tôi tạo ra. Chúng tôi đang phát triển CRISPR dạng viên: một loại thuốc, được uống tại nhà một cách tiện lợi, tạo ra một vết sẹo hóa học trên một thông điệp di truyền cụ thể và tắt quá trình sản xuất một loại protein gây bệnh.4 Việc tìm ra những loại thuốc này đòi hỏi phải phát triển một phương pháp giải trình tự DNA mới có thể đọc những vết sẹo đó trên mọi gen cùng một lúc, vì vậy một thí nghiệm duy nhất có thể trả về các ứng viên thuốc cho hàng trăm căn bệnh. Thay vì bắt đầu từ năm căn bệnh, chúng tôi phải phân loại toàn bộ bản đồ bệnh tật.5 Chúng tôi đã xây dựng một quy trình phân loại hai giai đoạn và hướng một đội ngũ các tác nhân nghiên cứu LLM vào đó. Lượt đầu tiên bao quát khoảng 500 mục tiêu bệnh, tạo ra báo cáo tương đương ba trang cho mỗi mục tiêu và lọc dựa trên các câu hỏi nền tảng: liệu căn bệnh đó có đủ phổ biến để biện minh cho nỗ lực của chúng tôi không, vấn đề đã được giải quyết bởi các loại thuốc hiện có chưa, và liệu hiệu quả giảm mục tiêu của thuốc chúng tôi có thực sự làm giảm bớt căn bệnh hay không. Lượt thứ hai, trên khoảng 100 mục tiêu bệnh còn lại, tạo ra báo cáo tương đương ba mươi trang cho mỗi mục tiêu, đi sâu vào sinh học bệnh và bối cảnh cạnh tranh một cách kỹ lưỡng. Chúng tôi viết các câu lệnh (prompt) cho lượt thứ hai để hành xử như một chuyên gia hoài nghi thay vì một người tóm tắt: hãy nêu tên các chương trình đã thất bại, tại sao mỗi chương trình thất bại, và điều gì phải đúng để chúng tôi thành công ở nơi họ đã thất bại. Mức độ chi tiết này là cần thiết vì, như trong bất kỳ thị trường nào, các mục tiêu rõ ràng là tốt đều đã quá đông đúc. Để đạt được một vị thế có thể bảo vệ được, nghĩa là phải tìm ra căn bệnh cụ thể và lý do cụ thể khiến thuốc của chúng tôi làm được điều mà các phương pháp hiện tại không thể. ![](https://substackcdn.com/image/fetch/$s_!Jk3K!,w_1456,c_limit,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F4d52ab82-6e2d-40c9-baa9-b617237383ff_2322x999.png) Với tốc độ cũ, giai đoạn đầu sẽ đòi hỏi khoảng một năm làm việc của một người để đọc, và giai đoạn thứ hai gần bằng một thế kỷ thời gian của chuyên gia. Lượt thứ hai vẫn được đối chiếu với các nguồn tài liệu gốc và các chương trình được chọn sẽ nhận được sự thẩm định đầy đủ của con người như trước đây.6 Nhưng một cuộc tìm kiếm rộng và sâu như thế này, đơn giản là không thể thực hiện được vào một năm trước. ![](https://substackcdn.com/image/fetch/$s_!X95l!,w_1456,c_limit,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F895a8715-d9e6-41d6-8d5a-92bd41efe8a9_2143x776.png) Trong nghiên cứu, những sai lầm đắt giá là những sai lầm không được biết đến. Một nhóm cam kết đi theo một hướng và phát hiện ra nó sai sau nhiều tháng khi kết quả thí nghiệm trả về âm tính. Thông thường, một chuyên gia có thể đã nói trước điều đó chỉ trong một câu: lộ trình đó đã được thử nghiệm, chỉ số này chưa bao giờ dự đoán được điều gì, công ty đó đã thất bại ở nhóm bệnh nhân đó. Việc tiếp cận được chiều sâu ở cấp độ chuyên gia như vậy trên quy mô lớn là một yếu tố thay đổi cuộc chơi, chính vì việc được nghe từ “không” sớm là vô cùng giá trị trong nghiên cứu. Tất cả những điều trên đã diễn ra tại Endura — phân tích linh hoạt và năng động, các công cụ nội bộ được xây dựng trong một ngày, tìm kiếm trên 500 căn bệnh — và đó chỉ là phiên bản sơ khai của việc điều hướng. Mỗi thế hệ mô hình ngôn ngữ tiếp theo đều loại bỏ những hạn chế mà chúng ta từng coi là hiển nhiên. Chẳng bao lâu nữa, chúng ta có thể hoàn toàn bỏ qua việc xây dựng một quy trình phân tích hoặc bảng điều khiển dữ liệu. Thay vào đó, một nhà khoa học sẽ đặt câu hỏi mà cô ấy thực sự có, và phân tích cùng giao diện để trả lời câu hỏi đó sẽ được lắp ráp từ đầu. Phần mềm không còn là một sản phẩm công việc mà trở thành thứ xuất hiện xung quanh câu hỏi.7 Việc tiếp cận chuyên môn ở quy mô này mở ra những công việc mà trước đây chưa ai có thể thử sức. Một ví dụ rõ ràng là tái định vị thuốc, nơi một loại thuốc đã được chứng minh là an toàn ở người hóa ra lại tác động lên một cơ chế bệnh mà chưa ai để ý tới. Các tài liệu được công bố là rất lớn, và một số kết luận hữu ích đang nằm trong đó, chưa được tìm thấy vì chưa có cá nhân nào đọc đúng sự kết hợp của các bài báo. Nhưng một mô hình có thể tiêu hóa tất cả và, với câu lệnh phù hợp, có thể kết nối các điểm dữ liệu. Một hệ sinh thái toàn diện các công ty hiện đang hình thành xung quanh canh bạc đó, và các công ty dược phẩm cùng nhà đầu tư cũng đang chạy các phiên bản của riêng họ.8 Điều còn lại cần xem xét là liệu điều này tạo ra ba loại thuốc mới hay 300 loại. Các công cụ điều hướng là minh chứng cho thấy AI tăng tốc mạnh mẽ nhất trong khoa học hiện nay hoàn toàn không phải là một mô hình được huấn luyện trên dữ liệu khoa học. Đó chính là thứ giúp một nhà khoa học hoặc giám đốc điều hành tìm ra điều gì đáng làm vào mỗi sáng thứ Hai. [Adrian Sanborn](https://www.linkedin.com/in/adrian-sanborn/) là CEO và đồng sáng lập của [Endura Therapeutics](https://enduratx.com/). Ông là thành viên sáng lập của Atomic AI, nơi ông lãnh đạo mảng sinh học của nền tảng công nghệ và xác định chiến lược điều trị của công ty. Ông có bằng Tiến sĩ khoa học máy tính từ Stanford, phần lớn thời gian ông dành tại phòng thí nghiệm hóa sinh của Roger Kornberg. Ông có tài khoản [@AdrianSanborn](https://x.com/AdrianSanborn) trên X. Rất cảm ơn Brandon Anderson, swyx và Lauren Richardson đã xem xét các bản thảo của bài viết này và cung cấp những phản hồi quan trọng. Trong khi bài blog này đang được hoàn thiện, [bài báo này](https://ai.google/static/documents/AI-in-Science.pdf) đã được công bố, nói về những hiểu biết ban đầu trong AI x Science. Chúng tôi rất vui mừng khi thấy nhiều hiểu biết của mình đã được quan sát thấy trên thực nghiệm! Đây là nghịch lý Jevons, được đặt theo quan sát năm 1865 rằng các động cơ hơi nước hiệu quả hơn đã làm tăng mức tiêu thụ than thay vì giảm nó. Phiên bản phần mềm: mọi sự sụt giảm chi phí viết mã cho đến nay đều kéo theo nhiều phần mềm hơn thay vì ít kỹ sư hơn. Phát triển sản phẩm phần mềm thực tế cũng có các quy trình làm việc nhấn mạnh vào việc học hỏi và mượn từ “thí nghiệm”. Các đội ngũ sản phẩm chạy các thử nghiệm A/B, phát hành ẩn sau các cờ tính năng (feature flags) và coi một bản phát hành như một giả thuyết về những gì người dùng muốn. Hầu hết các loại thuốc di truyền như CRISPR là các phân tử lớn không thể tự đi vào tế bào. Chúng chỉ tiếp cận được một vài mô, và để đưa chúng đến đó cần phải truyền dịch, tiêm, hoặc đối với não, là một mũi kim vào ống tủy sống. Các loại thuốc phân tử nhỏ ở dạng viên nén tự di chuyển trong cơ thể và có thể nuốt được. Khi Roche ra mắt một loại thuốc uống cho bệnh teo cơ tủy sống, các gia đình đã dần chuyển sang dùng nó thay vì loại thuốc tiêm vốn đã có hiệu quả. _Bài gốc còn tiếp._ Xem tiếp tại: